物理AI数据平台Axis用三个维度验证众包仿真数据价值

上一周期，发布者完成了Axis主线的580条轨迹任务，最终获得751个积分，积分终于脱离个位数。不少用户和发布者一样，每日完成Axis轨迹任务，都看好它的前景。

Axis是物理AI数据引擎，衡量它价值和前景最直接的方式，就是看产出的数据有没有人用，用了有没有效果。截至目前，Axis交出的三张答卷让发布者比较满意。

第一张答卷验证数据有没有人在用。Axis的Franka数据集家族，是Hugging Face上下载量最高的开源仿真Franka操作数据集，累计下载量超过16万次。

KAIST、西北大学、清华大学，还有Yandex、Nota AI、越南邮政电信集团，都已经用这个数据集做World Model（世界模型）、WAM和VLA相关训练。数据能进入这些研发管线，说明它的格式、覆盖范围和样本质量都过了入门线。

第二张答卷验证训练效果有没有提升。Axis Dataset V1解答了一个更核心的问题：社区采集、带噪声的仿真数据，能不能支撑具身预训练。

持续预训练后，模型π0.5在LIBERO-Plus上的成功率从83.9%提升到88.8%。当数据量从全集的25%增加到100%，模型成绩仍然保持上涨，没有出现明显饱和。

在带扰动的场景中提升效果更明显，尤其是传感器噪声和相机偏移场景。参与验证的研究团队来自Georgia Tech、UC Berkeley、TAMU、JHU、Penn、UMich、NUS、NTU等多所高校。

几个百分点的提升没法确定这类数据的上限，但已经把行业讨论从“众包仿真数据能不能用”推进到了“这类数据增加量还能不能继续提升效果”。

第三张答卷验证在其他模型和真机上能不能生效。在和Dexmal的合作中，Axis被用作VLA与世界模型的数据基础设施。

和Booster Robotics的双臂实验结果更具体：只靠10条真实演示数据时，机器人策略在实物上几乎碰不到目标。补上50条和任务对齐的仿真轨迹后，接触成功率从0/20跃升到17/20。

跨任务继续预训练后，每个新任务大约只需要30条演示，就能超过原来用两倍真实数据微调得到的结果。仿真数据填补的是真机数据难以大规模获取时的缺口，并不是替代真机数据。

三张答卷层层递进，从使用热度到训练效果，再到真机迁移，Axis的数据价值已经得到初步验证。

仿真数据真正的信任门槛还在后面：当任务规模和轨迹数量再提升一个台阶，这种效果增益能否保持，会不会出现边际递减，才是整个具身AI社区最关心的问题。

Axis下一阶段的使命，就是用更大规模的数据体量回应这个问题。发布者期待它能继续交出漂亮的答卷。